بخش بندي كاربران بانكداري اينترنتي بر مبناي انتظارات: رويكرد داده‌كاوي

Segmentation of Internet Banking Users Based on Expectations: A Data Mining Approach

خدمات بانكي مبتني بر اينترنت به مشتريان طي چند سال اخير به محور رقابت در نظام بانكي ايران تبديل شده است. در همين راستا با شناسايي و بخش بندي كاربران اين نوع خدمات، مي‎توان نيازها و انتظارات آنها را شناخت و براي تامين اين نيازها و انتظارات برنامه‎ريزي كرد كه اين موجب بهبود تصوير بانك و كسب مزيت رقابتي مي شود. در اين پژوهش هفت بانك پاسارگاد، پارسيان، ملت، سامان، اقتصاد نوين، تجارت و ملي به‎منزله برندهاي رقيب انتخاب شدند. برمبناي بررسي پيشينه پژوهش، انتظارات كاربران بانكداري اينترنتي در قالب 17 شاخص شناسايي شد. با ابزار پرسشنامه بسته‎سوالي، داده‎هاي لازم از 274 كاربر خدمات بانكداري اينترنتي بانك‎هاي منتخب به‎دست آمد. ابتدا براساس تحليل عاملي اكتشافي، پنج عامل سهولت كاربري، تنوع سبد خدمات، امنيت، سرعت و اطمينان شناسايي شد. در مرحله بعد با روش داده‎كاوي K-Means تعداد بهينه خوشه‎ها برابر با شش خوشه تعيين شد و در ادامه، انتظارات خوشه‎ها در قالب پنج عامل مورد ارزيابي قرار گرفت. نتيجه نشان داد كه ميانگين انتظارات و فراواني متغيرهاي جمعيت‎شناختي در خوشه‎ها متفاوت است. درنتيجه، خوشه‎هاي استخراج‎شده از كيفيت خوبي برخوردار بوده‎اند.

In recent years, Internet-based banking services have become the focus of competition in Iran’s banking system. In this respect, Internet banking users’ identification and segmentation leads to better understanding of users’ needs and expectations and planning to meet them. This in turn will result in improving the image of the bank and obtaining competitive advantage. In this research, seven banks of Pasargad, Mellat, Parsian, Saman, Eghtesad-e-novin, Tejarat and Melli are selected as rival brands. According to scrutiny, the expectations of internet banking users were identified in the form of 17 indicators. Using closed questionnaires, necessary data was collected from 274 users of Internet banking services in selected banks. At the first stage, based on exploratory factor analysis, five factors were identified which include: ease of use, variety of e-banking services, security, speed of providing services and reliability. In the second stage, by applying k-means procedure, optimum number of clusters was detected equal to 6. Then the expectations of each cluster were evaluated. The result showed that the average of expectations and frequency of demographic variables between clusters are different. So the extracted clusters have good quality.